Machine Learning là gì và nó hoạt động như thế nào

Machine Learning (ML) là một nhánh của Trí tuệ nhân tạo và nó ở xung quanh chúng ta. ML máy giúp bộc lộ sức mạnh của dữ liệu theo những cách mới, chẳng hạn như Facebook đề xuất các bài viết trên Newfeed của bạn.

Công nghệ tuyệt vời này giúp các hệ thống máy tính tự học và cải tiến từ dữ liệu, bằng cách phát triển các chương trình máy tính có thể tự động truy cập dữ liệu và thực hiện các tác vụ thông qua dự đoán và phát hiện.

Khi bạn nhập càng nhiều dữ liệu vào máy, điều này sẽ giúp các thuật toán dạy máy tính nhiều hơn, nhờ đó cải thiện được kết quả như mong muốn. Khi bạn yêu cầu Alexa phát kênh nhạc mà bạn yêu thích trên Amazon Echo, cô ấy sẽ đi đến kênh nhạc mà bạn phát thường xuyên nhất. Bạn có thể cải thiện và trau chuốt hơn nữa trải nghiệm nghe nhạc của mình bằng cách yêu cầu Alexa bỏ qua bài hát, điều chỉnh âm lượng và nhiều lệnh khả thi khác. Machine Learning và sự phát triển nhanh chóng của Trí tuệ nhân tạo Artificial Intelligence làm cho tất cả điều này trở nên khả thi.

Chúng ta hãy bắt đầu bằng cách trả lời câu hỏi – Machine Learning là gì?

Chính xác thì Machine Learning là gì?

Đối với người mới bắt đầu, ML là một nhánh cốt lõi của Trí tuệ nhân tạo (AI). Các ứng dụng ML học hỏi từ kinh nghiệm (hay nói chính xác là dữ liệu) giống như con người làm mà không cần lập trình trực tiếp. Khi tiếp xúc với dữ liệu mới, các ứng dụng này sẽ tự học, thay đổi và phát triển. Nói cách khác, ML liên quan đến việc máy tính tìm kiếm thông tin sâu sắc- insightful mà không được cho biết phải tìm ở đâu. Thay vào đó, họ làm điều này bằng cách tận dụng các thuật toán, học hỏi từ dữ liệu trong một quy trình lặp đi lặp lại.

Khái niệm Machine Learning đã có từ lâu (ví dụ như Cỗ máy bí ẩn trong Thế chiến II Enigma Machine). Tuy nhiên, ý tưởng tự động hóa việc áp dụng các phép toán học phức tạp vào big data mới chỉ xuất hiện được vài năm gần đây.

Giải thích ở cấp độ cao hơn, ML là khả năng thích ứng với dữ liệu mới một cách độc lập thông qua nhiều lần lặp đi lặp lại. Các ứng dụng học hỏi từ các tính toán và giao dịch trước đó, sử dụng “nhận dạng mẫu- pattern recognition ” để tạo ra các kết quả đáng tin cậy và đầy đủ thông tin.

Bây giờ chúng ta đã hiểu Machine Learning là gì, chúng ta hãy tìm hiểu cách nó hoạt động như thế nào.

Machine Learning hoạt động như thế nào?

Không nghi ngờ gì nữa, ML là một trong những tập hợp con thú vị nhất của Trí tuệ nhân tạo. Nó hoàn thành nhiệm vụ học hỏi từ dữ liệu với các input cụ thể. Điều quan trọng là phải hiểu điều gì làm cho ML hoạt động và nó có thể được sử dụng như thế nào trong tương lai.

Quá trình ML bắt đầu với việc nhập training data vào thuật toán đã chọn. Training data là dữ liệu đã biết hoặc chưa biết, chúng được đưa vào để phát triển thuật toán ML cuối cùng. Loại training input data có ảnh hưởng đến thuật toán và khái niệm đó sẽ được đề cập sâu hơn trong giây lát.

Input data được đưa vào thuật toán ML để kiểm tra xem thuật toán có hoạt động chính xác hay không. Việc dự đoán và kết quả sau đó được kiểm tra với nhau.

Nếu dự đoán và kết quả không khớp, thuật toán sẽ được huấn luyện lại nhiều lần cho đến khi nhà khoa học dữ liệu nhận được kết quả mong muốn. Điều này cho phép thuật toán ML liên tục tự học và tạo ra câu trả lời tối ưu, độ chính xác tăng dần theo thời gian.

Phần tiếp theo chúng ta sẽ thảo luận về ba loại phương pháp ML.

Phân loại các loại phương pháp Machine Learning?

ML rất phức tạp, đó là lý do tại sao nó được chia thành hai lĩnh vực chính, học có giám sát và học không giám sát. Mỗi lĩnh vực có một mục đích và hành động cụ thể, tận dụng nhiều dạng dữ liệu khác nhau với mục đích mang lại kết quả tối ưu nhất. Khoảng 70 phần trăm ML là học có giám sát, trong khi học không giám sát chiếm từ 10 đến 20 phần trăm. Phần còn lại là học tăng cường.

1. Supervised Learning – Học có giám sát

Trong học có giám sát, chúng tôi sử dụng dữ liệu đã biết hoặc được gắn nhãn cho training data. Vì dữ liệu đã được biết, việc học được giám sát sẽ hướng đến kết quả như mong đợi, hay nói cách khác câu hỏi đã có lời giải. Input data đi qua thuật toán ML và được sử dụng để đào tạo mô hình. Sau khi mô hình được đào tạo dựa trên dữ liệu đã biết, bạn có thể đưa dữ liệu chưa biết vào mô hình và nhận được phản hồi mới.

Trong trường hợp này, mô hình cố gắng tìm ra dữ liệu để xác định đó là một quả táo hay một loại quả khác. Một khi mô hình đã được đào tạo tốt, nó sẽ xác định rằng dữ liệu là một quả táo và đưa ra phản hồi mong muốn.

Dưới đây là danh sách các thuật toán hàng đầu hiện đang được sử dụng cho học có giám sát:

• Hồi quy đa thức- Polynomial Regression
• Rừng ngẫu nhiên- Random forest
• Hồi quy tuyến tính- Linear Regression
• Hồi quy logistic- Logistic Regression
• Cây quyết định-  Decision trees
• K- nearest neighbors
• Naive Bayes

Phần tiếp theo của bài viết sẽ tập trung vào học không giám sát- unsupervised learning.

2. Unsupervised Learning- Học không giám sát

Trong học tập không có giám sát, training data không xác định và không được gắn nhãn – nghĩa là chưa ai xem dữ liệu trước đó. Điều này đồng nghĩa với việc chúng ta chỉ có bộ input và hoàn toàn không biết outcome là gì, đó là bắt nguồn của thuật ngữ không được giám sát. Dữ liệu này được cung cấp cho thuật toán ML và được sử dụng để đào tạo mô hình. Mô hình đào tạo sẽ cố gắng tìm kiếm một pattern và đưa ra phản hồi mong muốn. Trong trường hợp này, nó thường giống như thuật toán đang cố gắng phá mã giống như máy Enigma nhưng không có trí óc con người tham gia trực tiếp mà là một cỗ máy. break code like the Enigma machine.

Trong trường hợp này, dữ liệu chưa biết bao gồm táo và lê trông giống nhau. Mô hình được đào tạo cố gắng kết hợp tất cả chúng lại với nhau để tìm ra những điểm giống nhau và chia vào các nhóm có đặc điểm tương tự.

7 thuật toán hàng đầu, hiện đang được sử dụng cho việc học không giám sát là:

• Partial least squares- bình phương tối thiểu
• Fuzzy means
• Singular value decomposition- phương pháp phân tích suy biến
• K-means clustering- Phân cụm K-means
• Apriori
• Hierarchical clustering- Phân cụm phân cấp
• Principal component analysis- Phép phân tích thành phần chính

3. Reinforcement Learning- Học tập tăng cường

Giống như các kiểu phân tích dữ liệu truyền thống, ở đây, thuật toán khám phá dữ liệu thông qua quá trình thử và sai, sau đó quyết định hành động nào đưa đến những kết quả tốt hơn. Ba thành phần chính tạo nên reinforcement learning bao gồm: agent, môi trường và các hành động. Agent là người học hoặc người ra quyết định, môi trường bao gồm mọi thứ mà Agent tương tác và các hành động là những gì agent thực hiện.

Reinforcement Learning xảy ra khi agent chọn các hành động giúp tối đa hóa kết quả muốn đạt được trong một thời gian nhất định. Điều này dễ đạt được nhất khi agent chọn cho mình một chiến thuật tốt nhất, thông qua việc thử sai và rút kinh nghiệm.

Bây giờ, hãy cùng tìm hiểu tại sao ML lại quan trọng

Tại sao Machine Learning lại quan trọng?

Để hiểu rõ hơn về công dụng của ML, hãy xem xét một số trường hợp mà ML được ứng dụng: xe tự lái của Google; phát hiện gian lận mạng; các công cụ đề xuất trực tuyến từ Facebook, Netflix và Amazon. Máy móc có thể thực hiện tất cả những điều này bằng cách sàng lọc các thông tin hữu ích và ghép chúng lại với nhau dựa trên các patterns để có được kết quả chính xác.

Quy trình được mô tả dưới đây thể hiện cách hoạt động của ML:

Sự phát triển nhanh chóng trong ML đã dẫn đến sự gia tăng về nhu cầu sử dụng và tầm quan trọng tuyệt đối của ML trong cuộc sống hiện đại. Big data cũng đã trở thành một từ thông dụng được sử dụng nhiều trong vài năm gần đây. Điều này một phần là do sự phát triển tinh vi của ML, cho phép phân tích các khối lượng lớn dữ liệu. ML cũng đã thay đổi cách trích xuất và diễn giải dữ liệu bằng cách tự động hóa các phương pháp / thuật toán chung, do đó thay thế các kỹ thuật thống kê truyền thống.

Bây giờ bạn đã biết ML là gì, các loại và tầm quan trọng của nó, chúng ta hãy chuyển sang việc sử dụng ML.

Công dụng chính của Machine Learning

Các kết quả điển hình từ các ứng dụng ML thường bao gồm: kết quả tìm kiếm trên web, real-time ads– hiển thị quảng cáo online thông qua cơ chế thời gian thực xảy ra vào lúc trang web đang tải- trên các trang web và thiết bị di động, lọc email rác, phát hiện xâm nhập mạng cũng như nhận dạng mẫu và hình ảnh. Tất cả những điều này là sản phẩm của việc sử dụng ML để phân tích khối lượng lớn dữ liệu.

Theo truyền thống, phân tích dữ liệu là thực hiện phân tích dựa trên lỗi dữ liệu, cách tiếp cận này trở nên không thực tế do sự gia tăng của các tập dữ liệu lớn, không đồng nhất. ML cung cấp các lựa chọn thay thế thông minh để phân tích dữ liệu quy mô lớn. ML có thể tạo ra kết quả và phân tích chính xác, bằng cách phát triển các thuật toán và mô hình data-driven nhanh và hiệu quả để xử lý dữ liệu theo thời gian thực.

Pro Tip: Để biết thêm về Big data và cách nó cách mạng hóa các ngành công nghiệp trên toàn cầu, hãy xem thêm bài viết “What is Big Data?”

Theo BusinessWorldIT, thị trường học máy toàn cầu sẽ tăng gấp 4 lần từ 7.3 tỷ USD vào năm 2020 lên 30.6 tỷ USD vào năm 2024. Nếu xu hướng này được duy trì, chúng ta sẽ được chứng kiến sự gia tăng nhanh chóng về nhu cầu sử dụng ML trên nhiều ngành công nghiệp trên toàn thế giới. 

Một số thuật toán và quy trình Machine Learning

Nếu bạn đang tìm hiểu xem ML là gì, bạn nên tự làm quen với các quy trình và thuật toán ML Machine Learning algorithms tiêu chuẩn. Chúng bao gồm neural networks, decision trees, random forests, associations, and sequence discovery, gradient boosting and bagging, support vector machines, self-organizing maps, k-means clustering, Bayesian networks, Gaussian mixture models, và nhiều cái tên khác nữa…

Một số công cụ machine learning tools và một số quy trình khác- sử dụng các thuật toán khác nhau để tận dụng tối đa giá trị từ Big data. Bao gồm:

• Quản lý chất lượng dữ liệu
• GUIs- Graphical User Interface để xây dựng mô hình và quy trình công nghệ.
• Khám phá dữ liệu tương tác và trực quan hóa kết quả mô hình
• So sánh các mô hình ML khác nhau để nhanh chóng xác định mô hình tốt nhất
• Đánh giá mô hình tổng hợp tự động để xác định những mô hình động tốt nhất
• Đơn giản hóa việc triển khai mô hình để có thể nhanh chóng nhận được kết quả đáng tin cậy.
• Một nền tảng end-to-end tích hợp để tự động hóa quá trình chuyển dữ liệu đi đến quyết định

Điều kiện tiên quyết cho Machine Learning

Dành cho những ai muốn tìm hiểu thêm, ngoài ML là gì, cần đáp ứng thêm một số yêu cầu để thành công trong việc theo đuổi lĩnh vực này. Các yêu cầu này bao gồm:

1. Kiến thức cơ bản về các ngôn ngữ lập trình như Python, R, Java, JavaScript, v.v.
2. Kiến thức trung cấp về xác suất thống kê
3. Kiến thức cơ bản về đại số tuyến tính. Trong mô hình hồi quy tuyến tính, một line được vẽ qua tất cả các data points và đường đó được sử dụng để tính toán các giá trị mới.
4. Hiểu biết về giải tích
5. Kiến thức về làm sạch và tổng hợp dữ liệu thô theo định dạng mong muốn để giảm thời gian ra quyết định.

Nguyễn Hải Nam

Dịch từ bài What Is Machine Learning and How Does It Work?

Tìm hiểu: khoá học Machine Learning cam kết đầu ra với mức lương 12-16 triệu/tháng.